MétaCan
Menu
Back to cohort
Record W3208588259 · doi:10.36040/jati.v5i2.3743

PENERAPAN IoT (Internet of Things) TERHADAP RANCANG BANGUN SISTEM PERINGATAN BATASAN KECEPATAN DAN PENDETEKSI LOKASI KECELAKAAN BAGI PENGENDARA SEPEDA MOTOR BERBASIS ARDUINO

2021· article· id· W3208588259 on OpenAlex

Why this work is in the frame

A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.

affAt least one author lists a Canadian institution in the pinned OpenAlex snapshot.

Bibliographic record

VenueJATI (Jurnal Mahasiswa Teknik Informatika) · 2021
Typearticle
Languageid
FieldComputer Science
TopicIoT-based Control Systems
Canadian institutionsWiLAN (Canada)
Fundersnot available
KeywordsPhysicsHumanitiesOperating systemComputer scienceArt

Abstract

fetched live from OpenAlex

Sepeda motor merupakan transportasi yang umumnya banyak digunakan oleh masyarakat dalam bepergian atau bekerja.Berkendara dengan sepeda motor merupakan hal yang praktis untuk menghindari kemacetan pada kawasan perkotaan. Menurut data dari Satlantas Polres Malang, untuk wilayah Kabupaten Malang selama Januari 2020 kemarin, angka laka lantas bertengger di 69 kejadian. Kepala Unit (Kanit) Laka Satlantas Polres Malang, Ipda Agus Yulianto menyampaikan, Januari 2021 terdapat 37 kasus laka lantas di Kabupaten Malang. (Ajeng Jasita Ingtyas , Lionita, 2021). Adapun faktor yang dapat menyebabkan terjadinya kecelakaan tersebut disebabkan oleh pengendara sepeda motor yang ugal-ugalan dan mengendarai kendaraan dengan kecepatan tinggi. Hal ini perlu diperhatikan agar baiknya berkendara tidak melebihi dari 50km/jam pada kawasan perkotaan.
 
 Adapun faktor yang dapat menyebabkan terjadinya kecelakaan tersebut disebabkan oleh pengemudi yang ugal-ugalan dan mengendarai kendaraan dengan kecepatan tinggi. Karena hal itu perlu disikapi oleh pengemudi yang setiap hari megendarai kendaraan mereka. Hal ini perlu diperhatikan agar baiknya berkendara tidak melebihi dari 50km/jam pada kawasan perkotaan. Karena jika sudah melebihi batas kecepatan tersebut akan berdampak pada resiko kecelakaan.
 
 Dari penelitian tersebut dapat mengembangkan suatu alat yang dapat memberikan informasi kecepatan sepeda motor kepada pengendara. Sensor LM393 digunakan sebagai pendeteksi kecepatatan dengan rata-rata persentase eror 7,71%. Jika kecepatan sepeda motor tersebut melaju diatas 50 km/j maka akan memberikan peringatan kepada pengendara dengan buzzer berbunyi dan sensor MPU6050 digunakan sebagai deteksi nilai kemiringan suatu sepeda motor dengan rentang 600 - 1200 sebagai batas aman kemiringan sepeda motor. Modul Neo-6M dapat mendeteksi titik lokasi koordinat jika pengendara sepeda motor mengalami kecelakaan dengan baik dengan hasil selisih jarak yang dihasilkan paling dekat adalah 4,44 meter dan selisih jarak paling jauh adalah 10,00 meter dan rata-rata jarak sejauh 6,66 meter. Pada website yang dibuat memiliki fitur monitoring untuk melihat data terbaru dari hasil deteksi sensor. Berdasarkan pengujian terhadap sensor dan fitur pada website monitoring sepeda motor dapat berjalan dan bekerja dengan baik. Berdasarkan pengujian terhadap pengguna diketahui telah sesuai dengan kebutuhan.

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.

Full frame distilled prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.

metaresearch head score (Codex)0.003
metaresearch head score (Gemma)0.001
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesMeta-epidemiology (narrow), Scholarly communication, Research integrity
Consensus categoriesMeta-epidemiology (narrow)
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Not applicable · Consensus signal: none
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.440
Threshold uncertainty score1.000

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0030.001
Meta-epidemiology (narrow)0.0020.002
Meta-epidemiology (broad)0.0030.002
Bibliometrics0.0010.002
Science and technology studies0.0010.001
Scholarly communication0.0030.005
Open science0.0050.002
Research integrity0.0010.002
Insufficient payload (model declined to judge)0.0010.000

Machine scores (provisional)

The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.

Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.

Opus teacher head0.013
GPT teacher head0.221
Teacher spread0.207 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it